509. Założenie proporcjonalności hazardów – jak je sprawdzać?

Model proporcjonalnego hazardu Coxa jest jednym z najczęściej stosowanych narzędzi analizy czasu do zdarzenia. Jego popularność wynika między innymi z tego, że pozwala oszacować zależność między zmiennymi objaśniającymi a hazardem bez konieczności pełnego określania bazowego rozkładu przeżycia (Cox, 1972). Jednak interpretacja współczynnika jako stałego w czasie hazard ratio wymaga spełnienia ważnego założenia: proporcjonalności hazardów.

W tej lekcji pokazujemy, co dokładnie oznacza to założenie, dlaczego nie wystarczy pojedynczy test, jak korzystać z reszt Schoenfelda oraz co zrobić, gdy dane wskazują na nieproporcjonalność. Jest to naturalne rozwinięcie lekcji 507–508 podręcznika do szkolenia na statystyk.edu.pl: po poznaniu konstrukcji modelu i interpretacji hazard ratio trzeba jeszcze ocenić, czy model opisuje dane w sposób adekwatny.

Na czym polega proporcjonalność hazardów?

Niech h(t|X) oznacza hazard wystąpienia zdarzenia w chwili t u osoby o wektorze cech X. W modelu Coxa zapisujemy:

h(t|X) = h0(t) · exp(β1X1 + β2X2 + … + βpXp)

  • h(t|X) – hazard dla osoby o określonych wartościach zmiennych;
  • h0(t) – hazard bazowy, zależny od czasu, ale wspólny dla wszystkich osób;
  • Xj – wartość j-tej zmiennej objaśniającej;
  • βj – współczynnik regresji dla j-tej zmiennej;
  • p – liczba zmiennych w modelu.

Jeżeli porównujemy dwie osoby różniące się tylko jedną cechą, stosunek ich hazardów ma postać:

HR = h(t|XA) / h(t|XB) = exp[β(XA − XB)]

W standardowym modelu Coxa ten stosunek nie zależy od t. To właśnie oznacza proporcjonalność hazardów: hazardy dwóch grup mogą zmieniać się w czasie, ale ich iloraz pozostaje stały. Krzywe hazardu nie muszą być stałe ani równoległe w sensie wartości bezwzględnych; chodzi o stałość relacji między nimi.

Przykładowo, HR = 0,70 dla leczenia oznacza, że w każdej porównywanej chwili hazard zdarzenia w grupie leczonej jest szacunkowo o 30% niższy niż w grupie kontrolnej, pod warunkiem że pozostałe zmienne są takie same. Nie oznacza to, że 30% mniej pacjentów doświadczy zdarzenia ani że różnica ryzyka jest stała w czasie.

Dlaczego tego założenia nie wolno pomijać?

Naruszenie proporcjonalności może prowadzić do kilku problemów. Po pierwsze, pojedyncze HR staje się uśrednieniem efektu, który w rzeczywistości zmienia się w czasie. Po drugie, interpretacja kliniczna takiego HR może być myląca, zwłaszcza gdy efekt jest silny na początku obserwacji, a następnie zanika. Po trzecie, przedziały ufności i testy dotyczące stałego współczynnika mogą nie odpowiadać rzeczywistej strukturze danych.

Nie każde naruszenie oznacza jednak, że cała analiza jest bezużyteczna. Znaczenie zależy od jego skali, od tego, której zmiennej dotyczy, od liczby zdarzeń oraz od celu badania. Jeżeli nieproporcjonalność dotyczy zmiennej będącej głównym przedmiotem badania, zwykle trzeba zmienić sposób modelowania lub prezentacji efektu.

Jak sprawdzać proporcjonalność hazardów?

1. Ocena merytoryczna i graficzna

Pierwszym krokiem powinna być ocena wykresów, a nie automatyczne uruchomienie testu. W badaniu porównującym dwie grupy można obejrzeć krzywe Kaplana–Meiera. Ich przecięcie może sugerować nieproporcjonalność, ale samo przecięcie nie jest formalnym dowodem naruszenia założenia. Krzywe przeżycia mogą się przecinać także wskutek losowej zmienności, a brak przecięcia nie gwarantuje stałego hazard ratio.

Warto również rozważyć wykresy estymowanego efektu w funkcji czasu. Jeżeli analizowana zmienna ma wpływ, który szybko się zmienia, wykres może ujawnić wzorzec niewidoczny w jednym globalnym HR. W publikacji należy opisać, jakie diagnostyki zastosowano, a nie ograniczać się do zdania, że „założenia zostały spełnione” (Bradburn, Clark, Love i Altman, 2003).

2. Reszty Schoenfelda

Najczęściej stosowanym narzędziem są reszty Schoenfelda. Są one definiowane dla czasów, w których wystąpiły zdarzenia. Intuicyjnie reszta porównuje wartość zmiennej u osoby, u której wystąpiło zdarzenie, z ważoną średnią wartości tej zmiennej wśród osób pozostających w grupie ryzyka w tym czasie (Schoenfeld, 1982).

Jeżeli proporcjonalność hazardów jest zasadna, reszty Schoenfelda – po odpowiednim przeskalowaniu – nie powinny wykazywać systematycznego trendu w czasie. W praktyce tworzy się wykres przeskalowanych reszt względem czasu i dodaje wygładzoną krzywą. Losowe rozproszenie wokół poziomu bliskiego zeru przemawia za stałością efektu. Wyraźny trend, załamanie albo zmiana kierunku sugerują, że wpływ zmiennej zależy od czasu.

W wielu programach otrzymuje się także test globalny oraz testy osobne dla poszczególnych zmiennych. Procedura Grambscha–Therneau opiera się na związku między przeskalowanymi resztami Schoenfelda a funkcją czasu (Grambsch i Therneau, 1994). Ma ona zarówno komponent testowy, jak i graficzny.

3. Test formalny – użyteczny, ale niewystarczający

Hipoteza zerowa testu proporcjonalności zwykle zakłada brak systematycznego związku reszt z czasem. Mała wartość p dostarcza dowodu przeciwko tej hipotezie. Nie wolno jednak interpretować jej jako prawdopodobieństwa prawdziwości hipotezy zerowej.

Duża wartość p nie dowodzi, że proporcjonalność jest prawdziwa. Może oznaczać zgodność danych z założeniem, ale także niewystarczającą moc testu, szczególnie przy małej liczbie zdarzeń. Z kolei przy bardzo dużej próbie nawet niewielkie, praktycznie mało istotne odstępstwo może dać małą wartość p. Dlatego wynik testu trzeba zestawić z wykresem, przedziałem ufności i oceną znaczenia klinicznego.

Przykład 1: leczenie onkologiczne

Załóżmy, że w badaniu pacjentów z nowotworem porównano nowy lek z leczeniem standardowym. Model Coxa daje HR = 0,62, 95% CI: 0,48–0,80, p < 0,001. Na pierwszy rzut oka wynik wskazuje na korzystny efekt leczenia.

Po sprawdzeniu przeskalowanych reszt Schoenfelda okazuje się jednak, że dla zmiennej „leczenie” występuje wyraźny trend: hazard jest znacznie niższy w pierwszych sześciu miesiącach, ale po tym czasie różnica maleje. W takiej sytuacji HR = 0,62 jest średnią opisującą cały okres obserwacji. Nie informuje, że efekt był największy na początku.

Możliwe rozwiązania obejmują:

  • raportowanie HR w określonych przedziałach czasu, jeżeli uzasadnia to projekt badania;
  • wprowadzenie interakcji leczenia z funkcją czasu;
  • zastosowanie modelu z podziałem czasu, na przykład osobno dla okresu 0–6 miesięcy i po 6 miesiącach;
  • prezentację różnicy przeżycia lub ograniczonego średniego czasu przeżycia do ustalonego horyzontu;
  • zastosowanie modelu alternatywnego, jeżeli jego założenia lepiej odpowiadają mechanizmowi klinicznemu.

Wynik należy opisać językiem adekwatnym do projektu: badanie randomizowane może wspierać wnioskowanie o efekcie leczenia, natomiast analiza obserwacyjna uzasadnia przede wszystkim wniosek o zależności lub związku, z uwzględnieniem możliwego zakłócenia.

Przykład 2: rehospitalizacja po ostrym zdarzeniu kardiologicznym

W kohorcie pacjentów po zawale analizuje się czas do pierwszej rehospitalizacji. Jedną ze zmiennych jest intensywność programu edukacji pielęgniarskiej. Początkowo zakłada się stały HR dla uczestnictwa w programie.

Diagnostyka pokazuje, że w pierwszych tygodniach po wypisie osoby objęte programem mają znacznie niższy hazard rehospitalizacji. Później różnica stopniowo zanika, ponieważ część pacjentów z grupy kontrolnej również korzysta z porad ambulatoryjnych. Wykres reszt wskazuje więc na zależność efektu od czasu.

Wniosek „program zmniejsza hazard rehospitalizacji o 25% w całym okresie obserwacji” byłby zbyt uproszczony. Trafniejsze byłoby stwierdzenie, że program wiązał się z mniejszym hazardem przede wszystkim we wczesnym okresie po wypisie, a jego efekt był słabszy w dalszej obserwacji. Takie ujęcie jest bardziej użyteczne klinicznie i nie ukrywa niejednorodności efektu.

Co zrobić po wykryciu nieproporcjonalności?

Interakcja z czasem

Najbardziej bezpośrednim rozwiązaniem jest rozszerzenie modelu:

h(t|X) = h0(t) · exp[βX + γX·g(t)]

W tym zapisie g(t) jest funkcją czasu, na przykład logarytmem czasu, a γ opisuje zmianę efektu w czasie. Wtedy efekt zmiennej X nie jest pojedynczym stałym HR, lecz funkcją:

HR(t) = exp[β + γg(t)]

Trzeba jednak uważać na wybór funkcji czasu. Logarytm czasu może być użyteczny, ale nie zawsze oddaje rzeczywisty przebieg efektu. Wybór powinien wynikać z wykresu, wiedzy klinicznej i z góry określonego planu analizy, a nie wyłącznie z poszukiwania funkcji dającej istotny wynik.

Stratyfikowany model Coxa

Jeśli nieproporcjonalność dotyczy zmiennej zakłócającej, można rozważyć model stratyfikowany. Dla każdej warstwy estymuje się odrębny hazard bazowy, natomiast nie uzyskuje się pojedynczego współczynnika HR dla zmiennej stratyfikującej. Metoda jest przydatna, gdy zmienna ma przede wszystkim kontrolować heterogeniczność ryzyka, a nie jest głównym przedmiotem interpretacji.

Podział czasu obserwacji

Można zdefiniować odcinki czasu i oszacować osobne efekty dla każdego z nich. Granice powinny być uzasadnione klinicznie lub metodologicznie. Nie należy wybierać punktu podziału wyłącznie po obejrzeniu wielu możliwych granic i wybraniu tej, która daje najbardziej korzystny wynik, ponieważ zwiększa to ryzyko selektywnego raportowania.

Alternatywne miary i modele

Gdy stałe HR nie jest dobrym podsumowaniem, warto rozważyć różnicę przeżycia w określonym czasie, iloraz skumulowanego ryzyka, ograniczony średni czas przeżycia albo model czasu przyspieszonego. Każda z tych metod ma własne założenia. Nie istnieje jedna uniwersalna „naprawa” naruszonej proporcjonalności.

Najczęstsze błędy

  1. Traktowanie dużej wartości p jako dowodu spełnienia założenia. Brak istotności statystycznej nie jest dowodem prawdziwości proporcjonalności.
  2. Oparcie oceny wyłącznie na przecięciu krzywych Kaplana–Meiera. Jest to sygnał diagnostyczny, a nie samodzielny test.
  3. Automatyczne usuwanie zmiennej naruszającej założenie. Usunięcie ważnej zmiennej może pogorszyć kontrolę zakłócenia i zmienić sens modelu.
  4. Raportowanie jednego HR mimo wyraźnej zmienności efektu. Uśredniony HR może być trudny do interpretacji, a czasem może sugerować efekt, który w żadnym okresie nie występuje w takiej wartości.
  5. Wybieranie transformacji czasu po fakcie bez ujawnienia procesu. Taka praktyka może prowadzić do nadmiernie optymistycznych wniosków.
  6. Mylenie nieproporcjonalności z nieliniowością. Zależność efektu od czasu i nieliniowy wpływ zmiennej ciągłej to różne problemy diagnostyczne.
  7. Brak oceny liczby zdarzeń. Przy małej liczbie zdarzeń wykresy i testy mogą być niestabilne; wtedy szczególnie ważne są przedziały ufności i ostrożność interpretacyjna.
  8. Język przyczynowy w badaniu obserwacyjnym. Wykrycie nieproporcjonalności nie wzmacnia samo przez się wnioskowania przyczynowego.

Przykład praktyczny: schemat postępowania

Rozważmy analizę czasu do zgonu u 420 pacjentów z niewydolnością serca. Zmiennymi są: wiek, frakcja wyrzutowa, cukrzyca i zastosowanie programu monitorowania domowego. Najpierw dopasowano model Coxa i uzyskano HR dla programu równe 0,78, 95% CI: 0,61–0,99.

Procedura diagnostyczna może wyglądać następująco:

  1. sprawdzenie definicji czasu początkowego, zdarzenia i cenzorowania;
  2. obejrzenie liczby zdarzeń oraz rozkładu czasu obserwacji;
  3. przedstawienie krzywych Kaplana–Meiera według programu;
  4. obliczenie przeskalowanych reszt Schoenfelda dla wszystkich zmiennych;
  5. ocena wykresów reszt i testu globalnego;
  6. sprawdzenie, czy ewentualny trend ma znaczenie kliniczne, a nie tylko statystyczne;
  7. wybór modelu rozszerzonego lub alternatywnej miary, jeśli efekt programu zmienia się w czasie;
  8. raportowanie zarówno wyniku głównego, jak i analizy wrażliwości.

Jeśli diagnostyka nie wykaże wyraźnego trendu, można pozostawić model z jednym HR, ale należy opisać sposób jego sprawdzenia. Jeśli wykres sugeruje silny efekt w pierwszych 90 dniach i brak różnicy później, lepszym rozwiązaniem będzie przedstawienie efektów dla tych okresów albo zastosowanie interakcji programu z czasem. W raporcie warto podać oszacowania, 95% przedziały ufności, liczbę zdarzeń, sposób postępowania z brakami danych oraz uzasadnienie wyboru modelu. Jest to zgodne z szerszą zasadą przejrzystego raportowania badań obserwacyjnych promowaną przez STROBE (von Elm i in., 2007).

Co warto zapamiętać?

  • Proporcjonalność hazardów oznacza, że iloraz hazardów porównywanych osób lub grup jest stały w czasie.
  • Założenie dotyczy stałości efektu, a nie stałości samego hazardu bazowego.
  • Najlepsza diagnostyka łączy wiedzę merytoryczną, wykresy, reszty Schoenfelda i test formalny.
  • Wartość p nie jest prawdopodobieństwem prawdziwości hipotezy zerowej i nie powinna być jedyną podstawą decyzji.
  • Wykrycie nieproporcjonalności nie oznacza automatycznie konieczności porzucenia analizy Coxa.
  • Możliwe rozwiązania obejmują interakcję z czasem, stratyfikację, podział okresu obserwacji i alternatywne miary efektu.
  • Jeżeli efekt zmienia się w czasie, pojedynczy HR może być nadmiernym uproszczeniem i wymagać uzupełnienia o wyniki zależne od czasu.

Najważniejsza zasada praktyczna brzmi: model Coxa nie kończy się na oszacowaniu hazard ratio. Odpowiedzialna analiza obejmuje również sprawdzenie, czy interpretacja stałego efektu w czasie jest zgodna z danymi i z wiedzą o badanym procesie.

Źródła i dalsza lektura

  1. Cox, D. R. (1972). Regression Models and Life-Tables. Journal of the Royal Statistical Society: Series B (Methodological), 34(2), 187–202. DOI: 10.1111/j.2517-6161.1972.tb00899.x.
  2. Schoenfeld, D. (1982). Partial residuals for the proportional hazards regression model. Biometrika, 69(1), 239–241. DOI: 10.1093/biomet/69.1.239.
  3. Grambsch, P. M.; Therneau, T. M. (1994). Proportional hazards tests and diagnostics based on weighted residuals. Biometrika, 81(3), 515–526. DOI: 10.1093/biomet/81.3.515.
  4. Therneau, T. M.; Grambsch, P. M. (2000). Modeling Survival Data: Extending the Cox Model. Springer. Informacja wydawcy / źródło.
  5. Bradburn, M. J.; Clark, T. G.; Love, S. B.; Altman, D. G. (2003). Survival Analysis Part II: Multivariate data analysis – an introduction to concepts and methods. British Journal of Cancer, 89(3), 431–436. DOI: 10.1038/sj.bjc.6601119.
  6. Bradburn, M. J.; Clark, T. G.; Love, S. B.; Altman, D. G. (2003). Survival Analysis Part III: Multivariate data analysis – choosing a model and assessing its adequacy and fit. British Journal of Cancer, 89(4), 605–611. DOI: 10.1038/sj.bjc.6601120.
  7. von Elm, E.; Altman, D. G.; Egger, M.; Pocock, S. J.; Gøtzsche, P. C.; Vandenbroucke, J. P.; for the STROBE Initiative (2007). The Strengthening the Reporting of Observational Studies in Epidemiology (STROBE) statement: guidelines for reporting observational studies. PLoS Medicine, 4(10), e296. DOI: 10.1371/journal.pmed.0040296.

Podobne wpisy

Dodaj komentarz

Twój adres email nie zostanie opublikowany. Wymagane pola są oznaczone *